ai-agent-book/chapter6/README.es.md

Capítulo 6 · Interacción: la expansión de los espacios de observación y de acción

Extensión del texto a la voz, GUI y mundo físico: tres paradigmas de voz, Computer Use, robótica

← Volver al README principal · 📖 Leer texto del capítulo

Cómo leer los experimentos

El texto usa skeletons breves para explicar el flujo de control; el directorio de experimentos contiene adaptadores SDK completos, registros, pruebas y evidencias de aceptación. No hace falta leer cada archivo línea por línea.

• Starter: Empieza por el objetivo, el comando mínimo y la aceptación; comienza con live-audio;
• Builder: Sigue el punto de entrada, el bucle central, el esquema de estado/mensajes, las herramientas y el verificador.
• Maintainer: Después revisa pruebas, manifiestos, fallos, rollback y adaptadores de proveedores.

En la primera pasada puedes omitir credenciales, presentación y compatibilidad de proveedores; vuelve al reproducir una cifra.

Proyectos Complementarios

Exp.	Proyecto	Tipo	Descripción
6-1	agent-with-event-trigger	✅	Agente FastAPI orientado a eventos con integración asíncrona de herramientas MCP
6-2	async-agent	✅	Marco Flux orientado a eventos asíncronos monohilo con colas por prioridad e interrupción
6-3	live-audio	✅	La evidencia real de una ronda completa micrófono → Silero VAD → Whisper local → LLM ARK en streaming → Fish S1; los cinco hashes de medios/modelos coinciden, aunque no representa carga concurrente o de producción
Add-on	phone-agent	✅	El proyecto WebRTC local conserva las ejecuciones directa y ReAct con RTP de micrófono del navegador, Whisper local, LLM externo real, TTS y RTP de bajada; ambas pasan 20/20 puertas. PSTN/E.164 queda fuera de este alcance local. La manifest conserva el identificador histórico.
6-4	streaming-speech	✅	La aceptación local canónica ejecuta estrictamente prefijos incrementales Qwen2-Audio y VAD de 600 ms + Whisper; 8/8 puertas de ejecución y procedencia pasan, aunque los resultados solo reproducen 2/6 casos
6-5	end-to-end-speech	✅	MiniCPM-o 4.5, con revisión fijada, se ejecutó localmente en una RTX PRO 6000: end-to-end y self-cascade obtuvieron 3/4 con fallos semánticos/paralingüísticos complementarios; se conservaron audio real de 24kHz y evidencia de aceptación.
6-6	controllable-tts	✅	Biblioteca real Fish Audio S1 con 4×3×2=24 audios de referencia y medios A/B/C; tres evaluaciones reales ciegas y equilibradas de Voxtral sitúan a C en primer lugar y separan el estado de aceptación de los resultados negativos
6-7	claude-quickstarts/computer-use-demo/	📖	Corresponde a Anthropic Computer Use Demo, no a toda la colección de quickstarts: escritorio Ubuntu en contenedor y bucle de Agent con Computer Use de Claude
6-8	browser-use/	📖	Checkout externo de browser-use/browser-use; la tarea abre Google, consulta el clima de San Francisco e inspecciona la trayectoria de acciones del Agent visual
6-9	xlerobot-teleoperation	📖	Teleoperación del XLeRobot real para una misma tarea de ordenar el escritorio: poner la taza roja en la bandeja, el papel amarillo en el cubo de basura y volver a observar para verificar el estado
6-10	gemini-xlerobot-navigation	📖	Medición en simulador del límite superior de control ideal para la misma tarea; no implica que se haya ejecutado el robot real
6-11	gemini-xlerobot-navigation	📖	Gemini Robotics-ER 1.5 controla de forma autónoma el XLeRobot real para completar la misma tarea de ordenar el escritorio
6-12	gemini-xlerobot-navigation	📖	Comparación en simulador de ejecución abierta, comprobación paso a paso y control cerrado predictivo para la misma tarea
6-13	rgb-sim2real-grasping	📖	Prueba RGB entre entornos para la misma tarea, variando fondo, apariencia, iluminación y ruido visual

Tipos de Proyectos

Icono	Tipo	Significado
✅	Autónomo	Código completo en este repositorio, se ejecuta tras configurar la Clave API
📖	Guía de Reproducción	Documento detallado que depende de repositorios externos para realizar git clone
🚧	En curso	Existe una implementación, pero faltan la ejecución real, participantes autorizados, hardware o evidencia de aceptación que exige el texto